[发明专利]一种高坝多点变形性态联合预报方法

权利要求书

1.一种高坝多点变形性态联合预报方法，其特征在于，包括以下步骤：

(1)选取高坝工程中若干测点的变形监测数据，采用小波软阈值去噪法去噪；

(2)确定模型输入因子，对所选因子进行主成分分析，提取主成分；

(3)对多测点去噪后数据及各主成分进行归一化处理，分为训练样本、预测样本；

(4)依据训练样本，利用改进粒子群算法对支持向量机SVM参数C、σ进行寻优，完成对支持向量机的训练；

(5)依据预测样本，用训练好的支持向量机进行样本预测，进行模型预报效果评价。

2.根据权利要求1所述的高坝多点变形性态联合预报方法，其特征在于：所述步骤(1)中小波软阈值去噪法包括以下步骤：

(11)根据大坝变形监测数据序列s的特性，选择合适的小波函数和分解层数n；

(12)对数据序列s进行小波分解，得各低频、高频子序列的小波系数；

(13)计算各高频子序列的噪声标准方差σ；

(14)选择一种阈值确定方法，确定各高频子序列的阈值T，对各高频子序列的小波系数进行处理

(15)将低频子序列的小波系数与经过阈值去噪处理后的高频子序列小波系数进行重构，即可得去噪后的变形监测数据序列。

3.根据权利要求1所述的高坝多点变形性态联合预报方法，其特征在于：所述步骤(4)步骤以下步骤：

(41)对选取的大坝变形测值序列样本进行归一化处理，并确定输入样本，设定粒子个数、种群迭代次数、惯性权重、惩罚因子、核参数的范围、数据分组k、学习因子的初始以及速度因子v与位置因子γ的值，在规定范围内随机生成初始速度及初始位置，初始位置即对应初始C、σ的值，

(42)根据当前的C、σ的值，训练支持向量机，并计算适应度函数值CV-MSE，并记忆个体与群体对应最佳适应值的p_best和g_best；

(43)对粒子的速度进行更新，若出现d_ij<γ且v_ij<v的情况，则继续步骤(41)，将该粒子的位置重新初始化，否则进行步骤(44)，对粒子的位置进行更新；

(44)将粒子当前位置的p_present与历史最优解p_best做比较，若p_present>p_best，则令p_best＝p_present，否则p_best不变，将粒子当前位置的p_present与种群最优解g_best做比较，若p_present>g_best，则令g_best＝p_present，否则g_best不变，若达到最大迭代次数，则终止迭代，输出最优解。

4.根据权利要求1所述的高坝多点变形性态联合预报方法，其特征在于：所述步骤(5)中具体量化评价指标为均方根误差(MSE)、平均绝对百分比误差(MAPE)和拟合优度(R²)。

5.根据权利要求2所述的高坝多点变形性态联合预报方法，其特征在于：所述阈值确定方法为无偏似然估计法。